Abstract - Osteoporosis is a disease caused by loss of bone mass, especially lack of calcium. Treatment of osteoporosis can be done by doing osteoporosis therapy. In the expert system for determining therapy in patients with osteoporosis is equipped with data about experts, symptoms of osteoporosis and therapy. If the data is processed, it will produce expert information and therapy information needed. This system used the Certainty Factor method. The system looked for CF values of some symptoms that have been inputed by user. Then the system will display the diagnosis results, in the form of osteoporosis name, CF value, type of therapy and the therapy method that can be done by the user.
Abstrak - Osteoporosis merupakan penyakit yang diakibatkan hilangnya massa tulang, terutama kekurangan zat kalsium. Pengobatan osteoporosis dapat dilakukan dengan cara menjalani terapi osteoporosis. Pada sistem pakar untuk penentuan terapi pada penderita osteoporosis dilengkapi dengan data tentang pakar, data gejala penyakit osteoporosis dan data terapi. Data-data tersebut jika diproses akan menghasilkan informasi pakar dan informasi terapi yang diperlukan. Sistem ini menggunakan metode Certainty Factor. Sistem akan mencari nilai CF dari beberapa gejala yang telah dimasukkan oleh user. Kemudian sistem akan menampilkan hasil diagnosa, berupa nama osteoporosis, nilai CF, jenis terapi dan cara terapi yang dapat dilakukan oleh user. Setelah di lakukan pengujian dan dianalisis dengan melakukan perhitungan secara manual, dapat diketahui bahwa secara garis besar hasil yang didapat dari perhitungan manual sama dengan perhitungan oleh sistem. Sehingga secara umum sistem telah dapat memberikan solusi terhadap pengguna dan sistem berjalan sesuai dengan yang diharapkan.
Kata kunci : certainty factor, osteoporosis, sistem pakar, terapi
I. PENDAHULUAN
enyakit osteoporosis atau keropos tulang adalah suatu kondisi tulang yang menjadi tipis, rapuh dan mudah patah akibat berkurangnya massa tulang, khususnya kalsium yang terjadi dalam waktu lama Faktor yang mempengaruhi timbulnya osteoporosis antara lain adalah usia, dimana setiap penambahan 10 tahun usia dapat meningkatkan resiko osteoporosis sebanyak 1,4 – 18 kali. Ras putih lebih banyak menderita osteoporosis daripada kulit berwarna, wanita lebih banyak menderita osteoporosis daripada pria. Serta seorang yang mengalami kekurangan kalsium, mengkonsumsi obat-obatan golongan kortikosteroid, merokok, minum alkohol juga beresiko menderita osteoporosis (Zaviera, 2007).
Penyakit osteoporosis dapat diatasi dengan pola hidup sehat seperti melakukan olahraga dengan beban, mengkonsumsi obat, mempertahankan atau meningkatkan kepadatan tulang. Apabila seseorang telah menderita penyakit osteoporosis, maka dapat melakukan terapi terhadap penyakit tersebut. Ada beberapa terapi yang dapat dilakukan untuk mengobati osteoporosis.
Sistem ini menggunakan sistem pakar, sistem pakar merupakan salah satu cabang dari Kecerdasan Buatan Artificial Intellegence (AI). Sistem pakar menggunakan pengetahuan serta metode pengambilan keputusan yang digunakan oleh seorang atau beberapa orang ahli dalam bidang keahlian tertentu. Sistem pakar yang baik dirancang agar dapat menyelesaikan suatu permasalahan tertentu dengan meniru kerja dari para ahli. Dengan adanya sistem pakar, orang awam pun dapat menyelesaikan masalah yang cukup rumit yang sebenarnya
hanya dapat diselesaikan dengan bantuan para ahli. Bagi para ahli, sistem pakar ini juga akan membantu aktivitasnya sebagai asisten yang sangat berpengalaman (Kusumadewi, 2003).
Metode yang digunakan pada sistem ini adalah metode ketidakpastian yang digunakan dalam sistem pakar adalah Certainty Factor (CF). Certainty Faktor adalah teori yang digunakan untuk menunjukkan ukuran kepastian terhadap suatu fakta atau aturan. Besarnya nilai certainty factor berkisar antara -1 sampai 1. Untuk mendapatkan nilai CF diperlukan MB yaitu ukuran kepercayaan terhadap kesimpulan sementara (hipotesis h) jika diberikan suatu gejala (evidence e), MB memiliki nilai antara 0 sampai 1 dan MD yaitu ukuran ketidakpercayaan terhadap suatu (hipotesis h) jika diberikan suatu gejala (evidence e), MD memiliki nilai antara 0 sampai 1 (Kusrini, 2006).
II. LANDASAN TEORI A. Osteoporosis
Secara harfiah, kata osteo berarti tulang dan kata porosis berarti berlubang. Istilah populernya adalah tulang keropos. Zat kapur, kalsium adalah mineral terbanyak dalam tubuh, kurang lebih 98% kalsium dalam tubuh terdapat dalam tulang. Penempatan kalsium ke dalam jaringan tulang disebut mineralisasi dan pengambilan kalsium dari jaringan tulang disebut demineralisasi. Osteoporosis dapat terjadi jika proses demineralisasi melebihi mineralisasi. Kelompok kerja World Health Organisation (WHO) dan konsensus ahli mendefinisikan osteoporosis sebagai penyakit yang ditandai dengan rendahnya massa tulang dan memburuknya mikrostruktural
Sistem Pakar Untuk Penentuan Terapi
Pada Penderita Osteoporosis
Rahmi Hidayati
11
Jurusan Rekayasa Sistem Komputer, Fakultas MIPA, Universitas Tanjungpura Pontianak
Jalan Jenderal Ahmad Yani, Pontianak
E-mail : rahmihidayati@siskom.untan.ac.id
1jaringan tulang yang menyebabkan kerapuhan tulang sehingga meningkatkan resiko terjadinya fraktur (Zaviera, 2007).
Terapi dan pengobatan osteoporosis bertujuan untuk meningkatkan kepadatan tulang dan mengurangi retak tambahan serta mengontrol rasa sakit. Untuk terapi dan pengobatan osteoporosis sebenarnya memerlukan suatu tim yang terdiri dari multidisipliner minimal yang terdiri dari departemen bedah, departeman penyakit dalam, departemen psikologi, departemen biologi, departemen obstetri dan ginekologi serta departemen farmakologi. Untuk mempertahankan kepadatan tulang, tubuh memerlukan persediaan kalsium dan mineral lainnya yang memadai dan harus menghasilkan hormon dalam jumlah yang mencukupi (hormon paratiroid, hormon pertumbuhan, kalsitonin, estrogen pada wanita dan testosteron pada pria). (Zaviera, 2007).
B. Sistem Pakar
Secara umum, sistem pakar (expert system) adalah sistem yang berusaha mengadopsi pengetahuan manusia ke komputer, agar komputer dapat menyelesaikan masalah seperti yang biasa dilakukan oleh para ahli. Sistem pakar yang baik dirancang agar dapat menyelesaikan suatu permasalahan tertentu dengan meniru kerja dari para ahli. Dengan sistem pakar ini, orang awam pun dapat menyelesaikan masalah yang cukup rumit yang sebenarnya hanya dapat diselesaikan dengan bantuan para ahli. Bagi para ahli, sistem pakar ini juga akan membantu aktivitasnya sebagai asisten yang sangat berpengalaman (Kusumadewi, 2003).
Sistem pakar pertama kali dikembangkan oleh komunitas AI pada pertengahan tahun 1960. Sistem pakar yang muncul pertama kali adalah General-Purpose Problem Solver (GPS) yang dikembangkan oleh Newel dan Simon. GPS dan program-program serupa lainnya mengalami kegagalan dikarenakan cakupannya terlalu luas sehingga terkadang justru meninggalkan pengetahuan-pengetahuan penting yang seharusnya disediakan
.
C. Certainty Factor
Certainty Factor (CF) diperkenalkan oleh Shortliffe Buchanan dalam pembuatan MYCIN (Wesley, 1984). Certainty factor merupakan nilai parameter klinis yang diberikan MYCIN untuk menunjukkan besarnya kepercayaan. Certainty factor didefinisikan sebagai berikut (Kusrini, 2006):
CF[h,e] = MB[h,e] – MD[h,e] (1) Keterangan :
CF[h,e] : certainty factor dari hipotesis h yang dipengaruhi oleh gejala (evidence) e. besarnya CF berkisar antara -1 sampai dengan 1. Nilai -1 menunjukkan ketidakpercayaan mutlak sedangkan nilai 1 menunjukkan kepercayaan mutlak.
MB[h,e] : ukuran kenaikan kepercayaan (measure of increased belief) terhadap hipotesis h yang dipengaruhi oleh gejala e.
MD[h,e] : ukuran kenaikan ketidakpercayaan (measure of increased disbelief) terhadap hipotesis h yang dipengaruhi oleh gejala e.
Beberapa evidence dikombinasikan untuk menentukan CF dari suatu hipotesis. Jika e1 dan e2 adalah
observasi, maka (Kusumadewi, 2003):
MB[h,e1^e2] = MB[h,e1] + MB[h,e2] * (1-MB[h,e1])
(2)
MD[h,e1^e2] = MD[h,e1] + MD[h,e2] * (1-MD[h,e1])
(3)
D. DFD (Data Flow Diagram)
DFD dapat digunakan untuk merepresentasikan sebuah sistem atau perangkat lunak pada beberapa level abstraksi. DFD dapat dibagi menjadi beberapa level yang lebih detail untuk merepresentasikan aliran informasi atau fungsi yang lebih detail. DFD menyediakan mekanisme untuk pemodelan fungsional ataupun pemodelan aliran informasi. Oleh karena itu DFD lebih sesuai di gunakan untuk memodelkan fungsi-fungsi perangkat lunak yang akan diimplementasikan menggunakan pemrograman terstruktur karena pemrograman terstruktur membagi-bagi bagiannya dengan fungsi-fungsi dan prosedur-prosedur (A,S Rosa dan Shalahuddin, 2018).
E. Basis Data
Sebuah sistem basis data dapat memiliki beberapa basis data. Setiap basis data dapat berisi sejumlah objek basis data seperti tabel, indeks dan lain-lain. Di samping berisi data, setiap basis data juga menyimpan definisi struktur baik untuk basis data maupun objek-objeknya secara rinci pada model relasional, basis data dipilah-pilah ke dalam tabel dua dimensi. Setiap tabel selalu terdiri atas lajur mendatar yang disebut dengan baris data (row/record) dan lajur vertikal yang biasa disebut dengan kolom (column/field) (Fathansyah, 2015).
III. METODEPENELITIAN A. Metode Analisis
Metode analisis yang digunakan adalah metode analisis terstruktur dengan menggunakan teknik menentukan fakta, yaitu suatu teknik mengumpulkan data dan menentukan fakta-fakta dalam kegiatan mempelajari sistem yang ada. Metodologi yang digunakan untuk mendapatkan data yang dilakukan dengan cara sebagai berikut :
a. Observasi yaitu metode pengumpulan data ini digunakan untuk mendapatkan data yang berkaitan dengan sistem pakar untuk penentuan terapi osteoporosis, serta menentukan input dan output yang tepat.
b. Studi Pustaka, metode ini digunakan untuk mendapatkan informasi tambahan yang digunakan sebagai acuan dalam pengembangan sistem pakar ini.
c. Wawancara dengan pihak yang berkaitan langsung dengan masalah yang diteliti. Dalam hal ini wawancara dilakukan dengan pakar (dokter spesialis tulang).
B. Analisis Kebutuhan Input
Input atau masukan dari sistem pakar untuk penentuan terapi osteoporosis terdiri dari dua karakteristik masukan, yaitu:
a) Input Pakar
Input pakar adalah suatu masukan yang diberikan oleh pakar sebagai basis pengetahuan yang akan digunakan oleh sistem untuk melakukan diagnosa menentukan terapi osteoporosis. Input pakar ini berada dalam lingkungan pengembangan (development environment) pada arsitektur sistem pakar. Input pakar terdiri dari masukan data. Masukan dari data pakar adalah data gejala penyakit, data osteoporosis, data terapi dan data pengetahuan.
b) Input Pengguna
Input pengguna adalah masukan yang diberikan oleh seorang pasien berupa keluhan atau gejala yang dirasakan. Input pengguna ini berada dalam lingkungan konsultasi (consultation environment) pada arsitektur sistem pakar.
C. Analisis Kebutuhan Proses
Proses menunjukkan transformasi dari input menjadi output. Dalam hal ini sejumlah input dapat menjadi satu output. Berdasarkan data masukan yang ada untuk memperoleh keluaran yang dibutuhkan, maka sistem ini memerlukan beberapa proses antara lain:
a. Login
Mengatur hak akses user, untuk menjaga keamanan sistem. User sistem dibagi menjadi dua, yaitu: pakar (admin) dan user biasa. Untuk user biasa hanya bisa melakukan diagnosa, melihat informasi osteoporosis dan melakukan pencarian nama osteoporosis. Sedangkan admin memiliki hak akses penuh terhadap sistem yang meliputi hak akses user biasa dan mengelola data pakar.
b. Manajemen Pakar
Pada manajemen pakar terdapat proses pengolahan data-data pakar. Proses tersebut terbagi menjadi empat proses, yaitu:
▪ View data pakar : Proses ini akan mengolah data pakar yang tersimpan pada basis data menjadi informasi yang diinginkan pengguna. Input dalam proses ini adalah kode data pakar meliputi:
kode_gejala, kode_pengetahuan,
kode_osteoporosis dan kode_terapi menghasilkan output berupa informasi pakar.
▪ Insert data pakar : Proses menyimpan data pakar yang ditambahkan pengguna untuk disimpan kedalam basis data. Input dalam proses ini adalah data gejala meliputi: kode_gejala, penyebab dan gejala. Data pengetahuan meliputi:
kode_pengetahuan, kode_gejala,
kode_osteoporosis, kode_terapi, MB dan MD. Data osteoporosis meliputi: kode_osteoporosis, nama_osteoporosis dan keterangan. Data terapi meliputi: kode_terapi, nama_terapi dan cara_terapi.
▪ Update data pakar : Proses mengubah data pakar yang tersimpan didalam basis data. Input dalam proses ini adalah data gejala meliputi: kode_gejala, penyebab dan gejala. Data pengetahuan meliputi: kode_pengetahuan, kode_gejala, kode_osteoporosis, kode_terapi, MB dan MD. Data osteoporosis meliputi: kode_osteoporosis, nama_osteoporosis dan keterangan. Data terapi meliputi: kode_terapi, nama_terapi dan cara_terapi yang menghasilkan output berupa informasi perubahan data pakar. ▪ Delete data pakar : Proses menghapus data pakar yang tersimpan didalam basis data. Input dalam proses ini adalah kode_gejala, kode_pengetahuan, kode_osteoporosis dan kode_terapi.
c. Diagnosa
Proses mencari solusi yang sesuai dengan masalah yang dihadapi user.
D. Analisis Kebutuhan Output
Berdasarkan proses yang dilakukan oleh sistem tentunya akan menghasilkan sebuah keluaran atau output yang diharapkan meliputi:
a. Informasi Pakar
Menampilkan informasi mengenai data pasien, data gejala, data osteoporosis, data terapi dan data diagnosa.
b. Informasi Hasil Diagnosa
Menampilkan informasi pasien, gejala penyakit yang dirasakan dan solusi masalah berupa jenis osteoporosis, jenis terapi serta cara melakukan terapi.
IV. PERANCANGAN
A. Perancangan Data Flow Diagram (DFD)
Dalam proses pengembangan desain sistem ini digunakan model berupa metode berarah aliran data dengan menggunakan Data Flow Diagram (DFD). Desain ini dimulai dari bentuk yang paling global yaitu diagram konteks. Diagram konteks ini kemudian akan diturunkan sampai bentuk yang paling detail. Aliran data bersumber dari pengetahuan yang dimasukkan oleh pakar ke dalam sistem yang kemudian akan diproses. Pakar akan menerima data gejala, data osteoporosis, data pengetahuan, data terapi dan hasil diagnosa pasien.
Pasien atau user memasukkan data pasien dan gejala yang dirasakan untuk keperluan diagnosa, kemudian pasien akan menerima hasil diagnosa berupa informasi osteoporosis dan terapi. Diagram konteks sistem pakar ini ditampilkan pada Gambar 1.
Gambar 1. Diagram Konteks Sistem
B. Perancangan Tabel Basis Data
Dalam perencanaan sistem pakar ini terdapat tujuh tabel untuk menyimpan data. Struktur tabel tersebut adalah :
1) Tabel Pasien
Tabel pasien digunakan untuk menyimpan data pasien. Struktur tabel Pasien ditunjukkan pada Tabel 1.
Tabel 1. Tabel Pasien
Nama Kolom Tipe Data Kode_pasien Integer (11) Nama_pasien Varchar (30) Tgl_lahir Date Jenis_kelamin Varchar (15) Golongan_darah Varchar (2) Alamat Text Email Varchar (20) Telp Varchar (20) Pekerjaan Varchar (20) 2) Tabel Admin
Tabel Admin digunakan untuk menyimpan ID, password dan nama admin. Struktur tabel admin ditunjukkan pada Tabel 2
Tabel 2. Tabel Admin
Nama Kolom Tipe Data Id_admin Integer (11) Password Varchar (20)
Nama Varchar(30)
3) Tabel Gejala
Tabel Gejala digunakan untuk menyimpan kode_gejala, penyebab dan gejala. Struktur tabel penyakit pada Tabel 3.
Tabel 3. Tabel Gejala
Nama Kolom Tipe Data Kode_gejala Integer (11) Penyebab Text
Gejala Text
4) Tabel Pengetahuan
Tabel pengetahuan digunakan untuk menyimpan nilai densitas atau derajat kepercayaan atas satu gejala terhadap sekumpulan beberapa gejala penyakit. Struktur tabel Pengetahuan ditunjukan pada tabel 4.
Tabel 4. Tabel Pengetahuan
Nama Kolom Tipe Data Kode_pengetahuan Integer (11) Kode_gejala Integer (11) Kode_osteoporosis Integer (11) Kode_terapi Integer (11) MB Float (4,2) MD Float (4,2) 5) Tabel Terapi
Tabel Terapi digunakan untuk menyimpan kode_terapi, nama_terapi dan cara_terapi. Struktur tabel Terapi ditunjukkan pada tabel 5.
Tabel 5. Tabel Terapi
Nama Kolom Tipe Data Kode_terapi Integer (11)
Nama_terapi Text
Cara_terapi Text
6) Tabel Osteoporosis
Tabel Osteoporosis digunakan untuk menyimpan data osteoporosis. Tabel Osteoporosis ditunjukkan pada tabel 6.
Tabel 6. Tabel Osteoporosis
Nama Kolom Tipe Data Kode_osteoporosis Integer (11) Nama_osteoporosis Varchar (20) Keterangan Varchar (50)
7) Tabel Diagnosa
Tabel diagnosa digunakan untuk menyimpan data hasil diagnosa. Tabel Diagnosa ditunjukkan pada tabel 7.
Tabel 7. Tabel Diagnosa
Nama Kolom Tipe Data Kode_Diagnosa Integer (11) Kode_pasien Integer (11) Kode_osteoporosis Integer (11) Kode_terapi Integer (11) Tgl_periksa Date CF Float (4,2)
C. Perancangan Basis Pengetahuan
Basis pengetahuan merupakan sekumpulan dari pengetahuan yang dihubungkan dengan suatu permasalahan yang digunakan dalam sistem kecerdasan buatan. Basis pengetahuan berisi kaidah-kaidah yang akan digunakan untuk penarikan kesimpulan yang merupakan hasil dari proses pelacakan.
Dalam perancangan basis pengetahuan ini digunakan kaidah produksi sebagai sarana untuk representasi pengetahuan. Kaidah produksi dituliskan dalam bentuk pernyataan JIKA [premis] MAKA [konklusi]. Pada perancangan basis pengetahuan sistem
pakar ini premisnya adalah gejala penyakit sedangkan konklusinya adalah terapi. Sehingga bentuk pernyataannya adalah JIKA [gejala] MAKA [terapi].
Bagian premis dalam aturan produksi dapat memiliki lebih dari satu proposisi, yaitu berarti pada sistem ini dalam satu kaidah dapat memiliki lebih dari satu gejala. Gejala-gejala tersebut dihubungkan dengan menggunakan operator logika DAN. Bentuk pernyataannya adalah :
JIKA [gejala 1] DAN [gejala 2] DAN [gejala 3] MAKA [terapi]
Adapun contoh beberapa kaidah produksi untuk terapi osteoporosis adalah sebagai berikut :
Kaidah 1 : JIKA Nyeri pada tulang DAN Terjadi patah tulang
MAKA Terapi pengobatan Kaidah 2 : JIKA Nyeri pada tumit DAN Nyeri pada telapak kaki MAKA Fisioterapi
Kaidah 3 : JIKA Nyeri pada punggung bawah DAN Nyeri pada bokong
DAN Nyeri pada tungkai bawah DAN Saat berdiri lutut menekuk MAKA Terapi Obat-obatan Kaidah 4 : JIKA Nyeri pada leher DAN Rasa kebal pada ibu jari DAN Rasa kebal pada tangan DAN Rasa kebal pada lengan DAN Rasa kebal pada bahu MAKA Terapi Fisik
Kaidah 5 : JIKA Nyeri pada punggung DAN Nyeri pada pinggang MAKATerapi Obat Kalsitonin V. HASILDANPEMBAHASAN A. Halaman Utama
Halaman utama akan muncul ketika pakar atau user pertama kali mengakses sistem ini. Pada halaman utama, terdapat lima menu yang dapat diakses yaitu home, pakar, konsultasi, help dan cari. Halaman utama ditunjukkan pada gambar 2.
Gambar 2. Tampilan Halaman Utama B. Halaman Login Admin
Halaman ini adalah halaman yang pertama kali muncul saat pakar mengakses menu pakar. Untuk dapat mengakses menu ini, pakar harus mengisi username dan
password terlebih dahulu. Halaman ini ditunjukkan pada gambar 3.
Gambar 3. Halaman Login Admin
Halaman ini merupakan halaman pertama yang muncul setelah pakar berhasil melakukan proses login. Halaman ini digunakan untuk manipulasi data gejala. Pada halaman gejala pakar dapat menambah, menghapus dan mengubah data gejala. Halaman ini ditunjukkan pada gambar 4.
Gambar 4. Halaman Pakar Tambah Gejala
C. Halaman Konsultasi
Pada halaman konsultasi, user terlebih dahulu mengisikan data diri dan memilih gejala penyakit yang dirasakan. Kemudian sistem akan menampilkan solusi berdasarkan gejala penyakit yang telah dimasukkan berupa jenis terapi dan cara terapi yang dapat dilakukan. Halaman ini dapat ditunjukkan pada gambar 5 dan gambar 6.
Gambar 5. Halaman Data Pasien
Gambar 6. Halaman Pilih Gejala D. Perhitungan Nilai CF
Pada halaman input gejala penyakit, masukkan seperti dibawah ini untuk menguji keluaran output yang dihasilkan.
Gejala penyakit yang dirasakan: 1. Nyer i pada punggung bawah. 2. Nyeri pada bokong.
3. Nyeri pada tungkai bawah.
Hasil dari masukan tersebut dapat dilihat pada gambar 7.
Gambar 7. Gejala Penyakit yang di pilih
Setelah mengisi data diri dan memilih gejala penyakit yang dirasakan user akan mendapatkan solusi yang tepat berupa jenis osteoporosis, terapi dan cara terapi. Halaman ini ditunjukkan pada gambar 8.
Gambar 8. Hasil Diagnosa Berdasarkan Gejala yang di pilih
Persamaan nilai CF secara perhitungan manual dan sistem menghasilkan nilai CF yang sama yaitu 0.53. Hasil dapat di lihat pada tabel 8:
Tabel 8. Data Hipotesis dan Evidence
Hipotesis, Evidence Simbol MB MD Terapi obat-obatan,
Nyeri pada punggung bawah
[a,x] 1 0
Terapi obat-obatan, Nyeri pada bokong
[a,y] 0.9 0.1 Terapi obat-obatan,
Nyeri pada tungkai bawah
[a,z] 0.8 0.2
Berdasarkan data pada tabel 8, nilai CF dapat diperoleh dengan perhitungan sebagai berikut:
MB [a, x∩y] = MB[a,x] + MB[a,y] * (1- MB[a,x]) = 1 + 0.9 * 0
= 0
MD [a, x∩y] = MD[a,x] + MD[a,y] * (1- MD[a,x]) = 0 + 0.1* 1
= 0.1
MB [a, x∩y∩z] = MB [a, x∩y] + MB[a,z] * (1- MB [a, x∩y])
= 0 + 0.8 * 1 = 0.8
MD [a, x∩y∩z] = MD [a, x∩y]+ MD[a,z] * (1- MD [a, x∩y])
= 0.1 + 0.2 * 0.9 = 0.27
CF [a, x∩y∩z] = MB [a, x∩y∩z] - MD [a, x∩y∩z] = 0.8 – 0.27
= 0.53
VI. KESIMPULAN
1. Sistem Pakar Penentuan Terapi Pada Penderita Osteoporosis dibuat sebagai alat bantu untuk mendiagnosa terapi yang akan digunakan berdasarkan gejala-gejala penyakit yang diderita oleh pasien atau user dengan menggunakan penalaran teori Certainty Factor.
2. Setelah dilakukan uji dan analisis dengan melibatkan perhitungan secara manual, dapat diketahui bahwa secara garis besar hasil perhitungan CF yang didapat dari perhitungan manual sama dengan hasil perhitungan CF oleh sistem. Dari persamaan hasil yang didapat pada sistem maupun secara manual maka dapat disimpulkan bahwa penggunaan rumus perhitungan CF sudah benar.
DAFTARPUSTAKA
[1] Fathansyah, 2015, Basis Data Revisi Kedua, Bandung, Penerbit Informatika.
[2] Kusumadewi, S., 2003, Artificial Intelligence, Yogyakarta, Graha Ilmu.
[3] Kusrini, 2006, Sistem Pakar Teori dan Aplikasi, Yogyakarta, Andi Offset.
[4] A, S., Rosa dan Shalahuddin, M, 2018. Rekayasa Perangkat Lunak (Terstruktur dan Berorientasi Objek) Edisi Revisi, Bandung, Penerbit Informatika.
[5] Zaviera, F., 2007, Osteoporosis, Yogyakarta, Kata Hati.
[6]
